本发明公开了一种包裹检测方法和装置。其特征包括:获取待检测视频，提取所述待检测视频中的待检测图像；对所述待检测图像中除待检测区域之外的区域进行遮挡处理，得到目标检测图像；将所述目标检测图像输入至预先训练完成的包裹检测模型中，得到包裹检测图像。从而实现了排除非检测区域的图像，突出了图像目标检测区域的特征，减少了图像数据量，提高了图像检测的准确率，减少了包裹丢失、延误的概率，提升用户满意度。

本发明实施例公开了一种目标检测模型的训练方法、装置、电子设备及介质，其中，该方法包括:获取多组训练样本数据，其中，所述训练样本数据包括样本图像以及所述样本图像对应的目标锚框信息；基于所述目标锚框信息确定自适应锚框信息；将所述自适应锚框信息对预先建立的初始化模型的原始锚框信息进行替换，得到自适应锚框模型，其中，所述自适应锚框信息对应的锚框数量少于所述原始锚框信息对应的锚框数量；基于所述多组训练样本数据，对所述自适应锚框模型进行训练，得到小目标检测模型。本申请的技术方案可以在小目标检测模型训练中有效减少锚框数量的使用，从而能够减少训练时间。

本发明提供了一种基于摄像头特征提取的行车预警方法及相关设备，其中，该方法包括:对获取的多模态视频数据进行分帧处理，随后通过深度残差网络对分帧后的图像进行特征提取，得到各自的初始特征。接着，通过特征交互和特征移位技术，对RGB图像、红外图像和深度图像对应的初始特征进行优化处理，得到优化后的特征。最终，将优化后的特征输入预设的行人意图识别模型中，模型根据输入的特征识别出摄像头数据中目标行人的意图类型。根据识别出的意图类型及车载终端的当前行驶策略。本方法通过综合利用多模态数据，提高了行车预警的准确性和实时性，尤其是在夜间或复杂环境下的适应性，有效提升了道路行驶的安全性。

 本发明涉及数字地图渲染技术领域，尤其是指一种自定义区域的地形晕渲图实时渲染方法及系统，包括:获取需要进行地形表达的区域的原始DEM栅格数据，将其转化为Terrain‑RGB栅格数据后发布地图服务；构建自定义区域，获取自定义区域内的高程值列表，并根据高程值列表创建与自定义区域相适配的色带配置表；将色带配置表渲染为色带纹理图；根据当前地图的地图层级和窗口空间范围获取地形瓦片，将地形瓦片和色带纹理图传入地形瓦片着色器渲染程序，基于三维渲染引擎实现当前地图窗口空间中的自定义区域地形渲染。本发明实现了在电子地图中针对自定义区域进行地形晕渲图实时动态渲染，增强了电子地图表达效果和信息传递能力。

 本发明公开了基于软件定义网络的流量探测系统及方法，属于机器学习技术领域，要解决的技术问题为:如何在权衡探测间隔和探测精度的的情况下实现灵活的网路流量监控。包括配置于SDN控制器的监测管理器、统计模块、数据保存模块、状态转化模块以及智能体模块；智能体模块依据监控过程中所产生的控制器负载、交换机资源消耗、信道开销以及网络中的流量速率，不停地与网络环境交互，在保证网络正常运行的情况下，对网络中的流量进行灵活监测并且权衡监测精度和探测间隔大小，用很低的成本对网络流量进行监测，即使在网络发生突变时，能实时调整探测间隔，为网络管理提供很好的支持，便于网络维护人员快速的处理网络中出现的异常。

本公开涉及车辆模型渲染方法、装置、存储介质及电子设备，其中，方法步骤包括:确定车辆模型；根据所述车辆模型，确定目标数据集；对所述目标数据集进行傅里叶变换处理，得到水下抖动数据集，其中，所述水下抖动数据集中的数据用于表征所述车辆模型处于模拟水位线下的、每个网格顶点数据变换之后的折射抖动幅度，不同距离的所述网格顶点数据在所述傅里叶变换之后的折射抖动幅度不同，所述距离为所述网格顶点数据与所述模拟水位线之间的距离；对所述水下抖动数据集进行渲染，得到车辆渲染模型。可以实时对车辆模型进行渲染，同时可以提高车辆模型的渲染效率。

本发明提供了一种显示面板的检测方法及检测系统，其中，该检测方法包括:获取所述显示面板在显示暗态画面时的暗态图像；根据所述暗态图像，检测出所述显示面板的亮点；获取所述显示面板在显示亮态画面时的亮态图像；根据所述亮态图像，检测出所述显示面板的暗点。用于提高对显示面板的亮暗点的检测效率。

本发明提供一种基于点云信息的螺柱检测方法，利用三维视觉传感器获取底面及螺柱侧表面点云，对螺柱侧表面点云进行预处理，剔除杂点，获取处理后的点云中各点的法向量；利用法向量计算余弦相似度，剔除非内外径上的螺纹点；利用所有内螺纹点、外螺纹点拟合圆柱，获取螺柱中轴线；计算中轴线与底面的夹角及交点坐标，作为螺柱位姿信息，本发明方法直接利用内螺纹点和外螺纹点拟合中轴线，计算准确、耗时短，此外，通过对点云的预处理，将点云中的噪声、杂点剔除，进一步保障了拟合结果的有效性，具有自动化程度高、抗干扰性强的特点。

本发明涉及人机交互装置技术领域，具体涉及一种基于深度学习网络的多IMU动作捕捉方法、系统及介质。本发明包括如下步骤:S1、多IMU动作的捕捉：预先在SMPL人体模型的关键部位佩戴多个IMU；通过Mujoco物理引擎对多变量特征施加高斯白噪声来模拟真实的IMU数据；S2、构建深度学习网络：深度学习网络输入多变量特征，通过正向TCN和反向TCN学习得到空间特征，再将空间特征融合，经过正向GRU和反向GRU得到时序特征，时序特征融合输入多头注意力层以得到人体姿态参数；S3、人体姿态的物理约束：利用PBDL损失函数，施加物理约束后的深度学习网络，实现对人体姿态的准确识别，符合自然世界的物理规律。

本发明提出一种加工轨迹形变补偿方法及系统，其中，加工轨迹形变补偿方法包括以下步骤:获得初始轨迹；获取图像；对获取的图像进行拼接及标定等预处理操作；设置多个锚定点测量盒，在对应范围内计算获得锚定点；在初始轨迹点位处进行轨迹点测量盒的生成，并设置好各轨迹点测量盒对应的轨迹点坐标计算方式；获得锚定点；根据所得锚定点坐标更新相应的被锚定的轨迹点测量盒的位置；在轨迹点测量盒的范围内按设定的方式计算坐标并更新至对应轨迹点，获得矫正轨迹；直接执行矫正轨迹；通过加工轨迹形变补偿系统的初始轨迹获取单元、图像获取单元、视觉处理单元、轨迹执行单元去完成以上步骤，便能够以较为简易的方式实现大型复杂轨迹的纠偏或定位。